KR20210131119A - Method for classifying building change in a user-participating recognition platform using aritificial intelligence and apparatus therefore - Google Patents
Method for classifying building change in a user-participating recognition platform using aritificial intelligence and apparatus therefore Download PDFInfo
- Publication number
- KR20210131119A KR20210131119A KR1020200049514A KR20200049514A KR20210131119A KR 20210131119 A KR20210131119 A KR 20210131119A KR 1020200049514 A KR1020200049514 A KR 1020200049514A KR 20200049514 A KR20200049514 A KR 20200049514A KR 20210131119 A KR20210131119 A KR 20210131119A
- Authority
- KR
- South Korea
- Prior art keywords
- aerial photograph
- building
- time point
- buildings
- aerial
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
Description
본 발명은 항공사진 분석을 이용한 건물의 변화를 구분하는 기술에 관한 것으로, 보다 구체적으로는 인공지능 객체인식 기반으로 항공사진을 분석하여 건물의 변화와 거리의 변화를 파악할 수 있는 건물 변화 구분 방법 및 그 장치에 관한 것이다.The present invention relates to a technology for classifying changes in buildings using aerial photo analysis, and more specifically, a building change classification method that can identify changes in buildings and changes in streets by analyzing aerial photos based on artificial intelligence object recognition, and It's about the device.
일반적으로 지리정보시스템(GIS; Geographic Information System)이란 공간에 관련된 문제를 해결하기 위하여 지리자료를 이용하고 관리하는 컴퓨터 기반의 시스템을 의미한다. 1960년대 초반 GIS가 처음 개발되었을 때만 하더라도 GIS는 단지 지도 자료를 처리하기 위한 컴퓨터 기반의 프로그램에 지나지 않았다. 그러나 오늘날 GIS는 그 자체로 중요한 학문 연구 분야의 하나로 자리 잡고 있을 뿐만 아니라, 최신 정보기술과 결합하면서 사회 각 부문에 활발히 적용되고 있다.In general, a geographic information system (GIS) refers to a computer-based system that uses and manages geographic data to solve problems related to space. When GIS was first developed in the early 1960s, GIS was nothing more than a computer-based program for processing map data. However, today, GIS is not only positioned as an important academic research field by itself, but is being actively applied to various sectors of society by combining it with the latest information technology.
GIS의 기본적인 특성은 공간적인, 즉 지리적 공간 상에서 객체들의 위치와 관련된 속성정보를 다룰 수 있다는 것이다. 지도는 공간적으로 분포하는 객체들의 위치 및 속성을 나타내는 가장 효율적인 방법이다. 따라서 GIS 구축에 있어서 가장 기초적인 자료는 수치지도(digital map)이다. 수치지도는 고전적인 종이지도와 달리, 측량지도, 항공사진, 위성영상 등에 의하여 얻어진 각종 지형 자료들을 해석하고 수치 편집하여 색인화한 것이라 할 수 있다.The basic characteristic of GIS is that it can handle attribute information related to the location of objects in spatial, that is, geographical space. Maps are the most efficient way to represent the locations and properties of spatially distributed objects. Therefore, the most basic data in GIS construction is a digital map. Numerical maps, unlike classical paper maps, are indexed by interpreting and numerically editing various topographical data obtained from survey maps, aerial photographs, and satellite images.
수치지도의 구축 과정은 다음과 같이 여러 과정을 거쳐서 완성되게 된다. 먼저 종이지도가 디지타이징(digitizing)이나 스캐닝(scanning)을 거쳐 수치지도의 형태가 된 후, 각종 입력 오차를 수정하기 위한 절차를 거친다. 이어서 좌표 변환을 통해 사용자의 목적에 맞도록 실제 좌표계로 변환을 거친 후, 공간 객체 간의 상호 위치성과 연관성을 파악하기 위한 위상 구조를 정립하게 된다. 이후 위상 구조의 정립을 거친 수치지도에 각각의 도형자료와 관련된 속성자료를 입력시키게 된다.The numerical map construction process is completed through several processes as follows. First, a paper map is digitized or scanned to form a numerical map, and then various input errors are corrected. Then, after transforming into an actual coordinate system to meet the user's purpose through coordinate transformation, a topological structure is established for understanding mutual location and correlation between spatial objects. Thereafter, the attribute data related to each figure data is input to the numerical map that has undergone the establishment of the topological structure.
이렇게 제작된 수치지도는 종이지도에 비해 빠르고 정확한 지도검색을 가능하게 하고, 정보관리와 활용성 면에서 뛰어나 각종 계획수립과 의사결정을 보다 효과적으로 지원할 수 있도록 한다.Numerical maps produced in this way enable faster and more accurate map search than paper maps, and are superior in information management and usability to support various planning and decision-making more effectively.
본 발명의 실시예들은, 인공지능 객체인식 기반으로 항공사진을 분석하여 건물의 변화와 거리의 변화를 파악할 수 있는 건물 변화 구분 방법 및 그 장치를 제공한다.Embodiments of the present invention provide a building change classification method and apparatus for identifying changes in buildings and changes in distances by analyzing aerial photos based on artificial intelligence object recognition.
본 발명의 일 실시예에 따른 건물 변화 구분 방법은 인공지능 객체 인식 기반의 건물 변화 구분 방법에 있어서, 대상 지역에 대하여, 현재 시점인 제1 시점의 제1 항공사진과 상기 제1 시점 이전의 제2 시점의 제2 항공사진을 분석하여 상기 제1 항공사진과 상기 제2 항공사진에 포함된 건물을 검출하는 단계; 동일 위치의 건물들 각각에 대하여, 상기 검출된 제1 항공사진의 건물과 제2 항공사진의 건물에 대한 모양을 비교하는 단계; 및 상기 동일 위치의 건물들 각각에 대하여, 건물 모양의 비교 결과에 기초하여 상기 제1 시점에서 변화된 부분을 획득하는 단계를 포함한다.In the building change classification method according to an embodiment of the present invention, in the building change classification method based on artificial intelligence object recognition, with respect to the target area, the first aerial photograph of the first time point, which is the current time point, and the first aerial photograph before the first time point analyzing a second aerial photograph of two viewpoints to detect a building included in the first aerial photograph and the second aerial photograph; For each of the buildings in the same location, comparing the detected shape of the building of the first aerial photograph and the shape of the second aerial photograph; and obtaining, for each of the buildings at the same location, the part changed at the first time point based on a comparison result of the shape of the building.
상기 검출하는 단계는 상기 대상 지역에 대하여, 상기 제1 항공사진과 상기 제2 항공사진을 분석하여 상기 제1 항공사진과 상기 제2 항공사진에 포함된 도로망을 검출하고, 상기 비교하는 단계는 상기 제1 항공사진에서 검출된 도로망과 상기 제2 항공사진에서 검출된 도로망을 비교하며, 상기 획득하는 단계는 상기 도로망의 비교 결과에 기초하여 상기 제1 시점에서 도로망의 변화된 부분을 획득할 수 있다.The detecting may include analyzing the first aerial photograph and the second aerial photograph with respect to the target area to detect a road network included in the first aerial photograph and the second aerial photograph, and the comparing may include: The road network detected in the first aerial photograph is compared with the road network detected in the second aerial photograph, and the obtaining may include acquiring a changed part of the road network at the first time point based on a comparison result of the road network.
상기 검출하는 단계는 상기 대상 지역에 대하여, 상기 제1 항공사진과 상기 제2 항공사진을 미리 설정된 세그멘테이션(segmentation) 기법을 이용하여 분석함으로써, 상기 제1 항공사진과 상기 제2 항공사진에 포함된 건물, 도로, 나무와 숲을 구분하여 검출할 수 있다.In the detecting step, for the target area, the first aerial photograph and the second aerial photograph are analyzed using a preset segmentation technique, and the first aerial photograph and the second aerial photograph included in the Buildings, roads, trees and forests can be distinguished and detected.
상기 검출하는 단계는 상기 대상 지역의 상기 제1 항공사진과 상기 제2 항공사진을 분석하여 미리 설정된 대상 건물을 검출하고, 상기 검출된 대상 건물을 제외한 나머지 부분을 제거함으로써, 상기 제1 항공사진과 상기 제2 항공사진 각각에서 상기 대상 건물만을 검출할 수 있다.In the detecting step, by analyzing the first aerial photograph and the second aerial photograph of the target area to detect a preset target building, and removing the remaining parts except for the detected target building, the first aerial photograph and Only the target building may be detected from each of the second aerial photos.
나아가, 본 발명의 일 실시예에 따른 건물 변화 구분 방법은 상기 제1 시점에서 변화된 부분이 획득되는 경우 상기 변화된 부분이 획득된 건물에 대한 정보를 제공하는 단계를 더 포함할 수 있다.Furthermore, the building change classification method according to an embodiment of the present invention may further include providing information on a building in which the changed part is obtained when the changed part is obtained at the first time point.
본 발명의 일 실시예에 따른 건물 변화 구분 장치는 인공지능 객체 인식 기반의 건물 변화 구분 장치에 있어서, 대상 지역에 대하여, 현재 시점인 제1 시점의 제1 항공사진과 상기 제1 시점 이전의 제2 시점의 제2 항공사진을 분석하여 상기 제1 항공사진과 상기 제2 항공사진에 포함된 건물을 검출하는 검출부; 동일 위치의 건물들 각각에 대하여, 상기 검출된 제1 항공사진의 건물과 제2 항공사진의 건물에 대한 모양을 비교하는 판단부; 및 상기 동일 위치의 건물들 각각에 대하여, 건물 모양의 비교 결과에 기초하여 상기 제1 시점에서 변화된 부분을 획득하는 획득부를 포함한다.Building change classification apparatus according to an embodiment of the present invention is an artificial intelligence object recognition-based building change classification apparatus, with respect to a target area, a first aerial photograph of a first time point that is a current time point and a first aerial photograph before the first time point a detection unit for analyzing a second aerial photograph of two viewpoints to detect a building included in the first aerial photograph and the second aerial photograph; For each of the buildings of the same location, the determination unit for comparing the shape of the detected building of the first aerial photograph and the second aerial photograph; and an acquisition unit configured to acquire a changed portion at the first time point based on a comparison result of the shape of the building with respect to each of the buildings in the same location.
상기 검출부는 상기 대상 지역에 대하여, 상기 제1 항공사진과 상기 제2 항공사진을 분석하여 상기 제1 항공사진과 상기 제2 항공사진에 포함된 도로망을 검출하고, 상기 판단부는 상기 제1 항공사진에서 검출된 도로망과 상기 제2 항공사진에서 검출된 도로망을 비교하며, 상기 획득부는 상기 도로망의 비교 결과에 기초하여 상기 제1 시점에서 도로망의 변화된 부분을 획득할 수 있다.The detection unit analyzes the first aerial photograph and the second aerial photograph with respect to the target area to detect a road network included in the first aerial photograph and the second aerial photograph, and the determination unit analyzes the first aerial photograph and compares the road network detected in the second aerial photograph with the road network detected in the second aerial photograph, and the acquisition unit may acquire a changed portion of the road network at the first time point based on the comparison result of the road network.
상기 검출부는 상기 대상 지역에 대하여, 상기 제1 항공사진과 상기 제2 항공사진을 미리 설정된 세그멘테이션(segmentation) 기법을 이용하여 분석함으로써, 상기 제1 항공사진과 상기 제2 항공사진에 포함된 건물, 도로, 나무와 숲을 구분하여 검출할 수 있다.The detection unit analyzes the first aerial photograph and the second aerial photograph with respect to the target area using a preset segmentation technique, whereby the building included in the first aerial photograph and the second aerial photograph; Roads, trees and forests can be distinguished and detected.
상기 검출부는 상기 대상 지역의 상기 제1 항공사진과 상기 제2 항공사진을 분석하여 미리 설정된 대상 건물을 검출하고, 상기 검출된 대상 건물을 제외한 나머지 부분을 제거함으로써, 상기 제1 항공사진과 상기 제2 항공사진 각각에서 상기 대상 건물만을 검출할 수 있다.The detection unit detects a preset target building by analyzing the first aerial photograph and the second aerial photograph of the target area, and removes the remaining parts except for the detected target building, thereby providing the first aerial photograph and the second aerial photograph. Only the target building can be detected in each of the 2 aerial photos.
나아가, 본 발명의 일 실시예에 따른 건물 변화 구분 장치는 상기 제1 시점에서 변화된 부분이 획득되는 경우 상기 변화된 부분이 획득된 건물에 대한 정보를 제공하는 제공부를 더 포함할 수 있다.Furthermore, the building change classification apparatus according to an embodiment of the present invention may further include a providing unit that provides information on the building in which the changed part is obtained when the changed part is obtained at the first time point.
본 발명의 실시예들에 따르면, 인공지능 객체인식 기반으로 항공사진을 분석하여 건물의 변화와 거리의 변화를 파악함으로써, 특정 건물의 변화 예를 들어, 건물의 지붕 크랙 또는 파손 등을 검출할 수 있고, 재해와 재난 전후의 건물 피해상황을 식별할 수 있다. 따라서, 본 발명은 보험사와 수리업체 등에 이러한 정보를 제공할 수 있다.According to embodiments of the present invention, it is possible to detect changes in a specific building, for example, cracks or damage to the roof of a building, by analyzing an aerial photograph based on artificial intelligence object recognition to understand a change in a building and a change in a distance. It is possible to identify disasters and damage to buildings before and after disasters. Accordingly, the present invention can provide such information to insurance companies and repair companies.
본 발명의 실시예들에 따르면, 거리의 변화를 파악할 수 있기 때문에 거리 풍경 등을 조사하기 위한 비용을 절감할 수 있고, 도로의 불법 점유 여부를 파악할 수 있으며, 공공용지의 불법 점유 여부를 파악할 수도 있다.According to the embodiments of the present invention, since changes in the street can be detected, the cost for examining the street scene, etc. can be reduced, whether the road is illegally occupied or not, and whether the public land is illegally occupied. have.
이러한 본 발명은 도시 계획, 부동산 상권 분석, 건축법 위반 불법 건축물 식별 등의 다양한 서비스에 이용할 수 있으며, 본 발명을 통해 파악된 정보를 관공서와 특정 민간업체 등에 제공할 수 있다.The present invention can be used for a variety of services such as urban planning, real estate commercial area analysis, building law violation illegal building identification, and the like, and the information identified through the present invention can be provided to government offices and specific private companies.
도 1은 본 발명의 일 실시예에 따른 인공지능 객체인식 기반의 건물 변화 구분 방법에 대한 동작 흐름도를 나타낸 것이다.
도 2는 제1 항공사진과 제2 항공사진에 대한 일 예시도를 나타낸 것이다.
도 3은 항공사진에서의 객체 검출 결과에 대한 일 예시도를 나타낸 것이다.
도 4는 본 발명의 일 실시예에 따른 인공지능 객체인식 기반의 건물 변화 구분 장치에 대한 구성을 나타낸 것이다.1 is a flowchart illustrating an operation of a building change classification method based on artificial intelligence object recognition according to an embodiment of the present invention.
Figure 2 shows an exemplary view of the first aerial photograph and the second aerial photograph.
3 is a diagram illustrating an example of an object detection result in an aerial photograph.
4 shows the configuration of a building change classification device based on artificial intelligence object recognition according to an embodiment of the present invention.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.Advantages and features of the present invention and methods of achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but will be implemented in various different forms, and only these embodiments allow the disclosure of the present invention to be complete, and common knowledge in the art to which the present invention pertains It is provided to fully inform those who have the scope of the invention, and the present invention is only defined by the scope of the claims.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며, 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.The terminology used herein is for the purpose of describing the embodiments, and is not intended to limit the present invention. As used herein, the singular also includes the plural unless specifically stated otherwise in the phrase. As used herein, "comprises" and/or "comprising" refers to the presence of one or more other components, steps, operations and/or elements mentioned. or addition is not excluded.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.Unless otherwise defined, all terms (including technical and scientific terms) used herein may be used with the meaning commonly understood by those of ordinary skill in the art to which the present invention belongs. In addition, terms defined in a commonly used dictionary are not to be interpreted ideally or excessively unless specifically defined explicitly.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예들을 보다 상세하게 설명하고자 한다. 도면 상의 동일한 구성요소에 대해서는 동일한 참조 부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.Hereinafter, preferred embodiments of the present invention will be described in more detail with reference to the accompanying drawings. The same reference numerals are used for the same components in the drawings, and repeated descriptions of the same components are omitted.
본 발명의 실시예들은, 인공지능 객체인식 기반으로 항공사진을 분석하여 건물의 변화와 거리의 변화를 파악함으로써, 특정 건물의 변화 예를 들어, 건물의 지붕 크랙 또는 파손 등을 검출할 수 있고, 재해와 재난 전후의 건물 피해상황을 식별하는 것을 그 요지로 한다.Embodiments of the present invention can detect changes in a specific building, for example, cracks or damage to the roof of a building, by analyzing aerial photos based on artificial intelligence object recognition to understand changes in buildings and changes in distances, Its main point is to identify the disaster and the situation of damage to the building before and after the disaster.
이 때, 본 발명은 대상 조사 지역에 대하여, 현재 시점(이하, "제1 시점"이라 칭함)의 항공사진과 미리 설정된 과거 시점(이하, "제2 시점"이라 칭함)의 항공사진을 수신 또는 다운로드하여 항공사진 분석을 통해 사용자 또는 관리자에 의해 설정된 검출 대상 건물을 검출하고, 동일한 위치의 건물 모양을 비교함으로써, 건물 모양이 변화된 건물에 대한 정보를 제공할 수 있다. 여기서, 제공되는 건물에 대한 정보는 위도, 경도, 위치 정보, 건물 정보 등을 포함할 수 있다.At this time, the present invention receives an aerial photograph of the current time point (hereinafter referred to as "first time point") and a preset past time point (hereinafter referred to as "second time point") with respect to the target survey area, or By downloading, detecting a detection target building set by a user or an administrator through aerial photo analysis, and comparing the shape of the building at the same location, it is possible to provide information about the building in which the shape of the building has changed. Here, the provided information on the building may include latitude, longitude, location information, building information, and the like.
나아가, 본 발명은 대상 건물 뿐만 아니라 항공사진 분석을 통하여, 조사 대상 지역의 도로망을 검출하고, 제1 시점과 제2 시점의 도로망을 비교함으로써, 도로망의 변화를 구분할 수도 있다.Furthermore, according to the present invention, changes in the road network can be distinguished by detecting the road network of the survey target area through analysis of not only the target building but also the aerial photo, and comparing the road network at the first time point and the second time point.
즉, 본 발명은 제1 시점과 제2 시점의 항공사진의 분석을 통해 대상 건물, 도로망, 나무, 숲 등의 객체를 검출할 수 있으며, 제1 시점의 항공사진에서 검출된 객체를 기준으로 제2 시점의 항공사진에서 검출된 객체를 비교함으로써, 각 객체에 대하여 변화된 부분을 획득할 수도 있다.That is, the present invention can detect objects such as target buildings, road networks, trees, and forests through the analysis of aerial photographs of the first and second viewpoints, and based on the objects detected in the aerial photograph of the first viewpoint, By comparing the objects detected in the aerial photograph of two viewpoints, it is also possible to obtain a changed part for each object.
이러한 본 발명은 항공사진 분석, 객체 인식, 모양 변화 획득 등의 과정을 인공지능 객체인식 기반으로 수행할 수 있다. 즉, 본 발명은 미리 설정된 트레이닝 데이터세트를 이용하여 인공지능을 트레이닝함으로써, 객체를 검출하거나 각 객체에 대하여 변환된 부분을 획득하는 각각의 학습 모델 또는 통합된 학습 모델을 생성할 수 있으며, 이렇게 생성된 학습 모델은 항공사진 분석을 통해 도출되는 결과물을 이용하여 갱신될 수도 있고, 추가로 수집된 트레이닝 데이터세트를 이용하여 갱신될 수도 있다. 인공지능은 컨볼루션 뉴럴 네트워크(CNN), 딥 러닝 뉴럴 네트워크(DNN) 등과 같은 뉴럴 네트워크에 의해 구현될 수 있으며, 이러한 내용은 본 발명의 기술 분야에 종사하는 당업자에게 있어서 자명하기에 이에 대한 상세한 설명은 생략한다.According to the present invention, processes such as aerial photo analysis, object recognition, and shape change acquisition can be performed based on artificial intelligence object recognition. That is, the present invention can generate each learning model or an integrated learning model that detects an object or obtains a transformed part for each object by training artificial intelligence using a preset training dataset, The trained learning model may be updated using a result derived through aerial photo analysis, or may be updated using an additionally collected training dataset. Artificial intelligence may be implemented by a neural network such as a convolutional neural network (CNN), a deep learning neural network (DNN), and the like, and the detailed description thereof is obvious to those skilled in the art of the present invention. is omitted.
도 1은 본 발명의 일 실시예에 따른 인공지능 객체인식 기반의 건물 변화 구분 방법에 대한 동작 흐름도를 나타낸 것으로, 본 발명의 방법에 대한 알고리즘이 설치된 장치에 의해 수행될 수 있다.1 is a flowchart showing an operation flow diagram for a building change classification method based on artificial intelligence object recognition according to an embodiment of the present invention, and may be performed by an apparatus in which an algorithm for the method of the present invention is installed.
도 1을 참조하면, 본 발명의 일 실시예에 따른 건물 변화 구분 방법은 조사 대상 지역에 대하여, 제1 시점의 항공사진(제1 항공사진)과 미리 설정된 과거 시점인 제2 시점의 항공사진(제2 항공사진)을 수신 또는 다운로드하고, 제1 항공사진과 제2 항공사진을 인공지능 객체인식 기반으로 분석하여 제1 항공사진과 제2 항공사진에 포함된 건물들을 검출한다(S110).Referring to Figure 1, the building change classification method according to an embodiment of the present invention, with respect to the area to be investigated, an aerial photograph of a first time point (first aerial photograph) and a preset aerial photograph of a second time point of the past time ( The second aerial photograph) is received or downloaded, and the first aerial photograph and the second aerial photograph are analyzed based on artificial intelligence object recognition to detect buildings included in the first aerial photograph and the second aerial photograph (S110).
여기서, 단계 S110은 사용자 또는 관리자로부터 조사 대상 지역의 좌표의 위도와 경도를 입력받음으로써, 조사 대상 지역이 설정되고, 이렇게 설정된 조사 대상 지역에 대한 제1 항공사진과 제2 항공사진을 데이터베이스로부터 받아와서 제1 항공사진과 제2 항공사진을 인공지능 객체인식 기반으로 분석하여 제1 항공사진과 제2 항공사진에 포함된 특정 건물들 예를 들어, 미리 설정된 대상 건물들을 검출할 수 있다. Here, in step S110, by receiving the latitude and longitude of the coordinates of the survey target area from the user or the manager, the survey target area is set, and the first aerial photo and the second aerial photo for the survey target area set in this way are received from the database. By analyzing the first aerial photograph and the second aerial photograph based on artificial intelligence object recognition, specific buildings included in the first aerial photograph and the second aerial photograph, for example, preset target buildings may be detected.
여기서, 단계 S110은 화면에 표시된 지도 데이터에서 조사 대상 지역을 사용자 또는 관리자의 입력에 의해 드래그함으로써, 조사 대상 지역이 설정될 수도 있다.Here, in step S110, the research target area may be set by dragging the survey target area from the map data displayed on the screen by an input of a user or an administrator.
예컨대, 단계 S110은 도 2에 도시된 바와 같이 제1 항공사진(before)과 제2 항공사진(after)를 수신 또는 다운로드하고, 제1 항공사진과 제2 항공사진 각각에서 대상 건물들을 검출할 수 있다.For example, step S110 may receive or download a first aerial photograph (before) and a second aerial photograph (after) as shown in FIG. 2 , and detect target buildings in each of the first aerial photograph and the second aerial photograph. have.
본 발명에서 조사 대상 지역의 항공사진은 특정 서버의 데이터베이스로부터 조사 대상 지역만을 다운로드한 항공사진일 수도 있고, 본 발명의 방법을 제공하는 장치에 미리 다운로드되어 저장된 항공사진 중에서 조사 대상 지역에 해당하는 항공사진을 검색한 항공사진일 수도 있다. 물론, 본 발명은 제1 시점의 항공사진과 제2 시점의 항공사진을 해당 장치에 모두 저장할 수도 있고, 특정 서버로부터 다운로드할 수도 있다.In the present invention, the aerial photograph of the survey target area may be an aerial photograph downloaded only the survey target area from the database of a specific server, or an aerial photo corresponding to the survey target area among the aerial photos downloaded and stored in the device providing the method of the present invention in advance. It could be an aerial photo you searched for. Of course, the present invention may store both the aerial photograph of the first viewpoint and the aerial photograph of the second viewpoint in the device or may be downloaded from a specific server.
단계 S110에서의 대상 건물들은 가정용 건물, 상업용 건물, 일정 크기 이상의 건물 등을 포함할 수 있으며, 이러한 대상 건물들은 이 기술을 제공하는 사업자에 의해 결정되거나 대상 건물들을 설정할 수 있는 항목의 선택을 통하여 결정될 수 있다. 이 때, 단계 S110은 항공사진의 위도와 경도에 따른 건물의 목적과 사용 용도 그리고 가정용인지 상업용인지 등의 정보가 저장된 데이터베이스로부터 검출된 건물에 대한 정보를 검색함으로써, 해당 건물이 본 발명에서 대상이 되는 건물인지 판단할 수 있으며, 이를 통해 원하는 대상 건물을 검출할 수 있다. 물론, 본 발명은 상황에 따라 이러한 건물의 용도나 목적 등을 고려하지 않고, 일정 크기 이상의 건물을 검출할 수도 있다.Target buildings in step S110 may include a home building, a commercial building, a building of a certain size or more, and these target buildings are to be determined by a business providing this technology or to be determined through selection of items that can set target buildings. can At this time, in step S110, information on the detected building is retrieved from the database in which information such as the purpose and use of the building according to the latitude and longitude of the aerial photograph and whether it is for home use or commercial use is stored, so that the building is a target in the present invention. It is possible to determine whether the building is a target building, and through this, it is possible to detect a desired target building. Of course, the present invention may detect a building having a size larger than a certain size without considering the use or purpose of the building depending on the situation.
나아가, 단계 S110은 조사 대상 지역의 제1 항공사진과 제2 항공사진을 분석하여 미리 설정된 대상 건물들을 검출하고, 검출된 대상 건물을 제외한 나머지 부분 예를 들어, 도로, 주차장, 하천 등을 포함하는 건물이 아닌 부분을 미리 설정된 세그멘테이션(segmentation) 기법을 이용하여 제거하며, 이러한 부분이 제거된 항공사진에서 대상 건물들을 검출할 수 있다.Further, step S110 detects preset target buildings by analyzing the first aerial photograph and the second aerial photograph of the investigation target area, and the remaining parts except for the detected target building, for example, including roads, parking lots, rivers, etc. A non-building part is removed using a preset segmentation technique, and target buildings can be detected from the aerial photograph from which this part has been removed.
상황에 따라, 단계 S110은 세그멘테이션 기법을 이용하여 제1 항공사진과 제2 항공사진을 분석하고, 이를 통해 대상 건물 뿐만 아니라 도로망, 나무, 숲, 하천 등을 구분하여 검출할 수도 있다. 예를 들어, 도 3에 도시된 바와 같이, 본 발명은 인공지능 객체인식 기반으로 항공사진에서 대상 건물(빨간색), 도로(노란색)과 숲(파란색) 등의 객체를 검출할 수 있다.Depending on the situation, in step S110, the first aerial photograph and the second aerial photograph are analyzed using the segmentation technique, and through this, not only the target building but also the road network, trees, forests, rivers, etc. may be classified and detected. For example, as shown in FIG. 3 , the present invention can detect objects such as a target building (red), a road (yellow), and a forest (blue) from an aerial photograph based on AI object recognition.
이와 같은 경우, 본 발명은 건물의 변화 뿐만 아니라 도로망의 변화, 하천의 변화, 숲의 변화 등을 분석하여 제공할 수도 있다. 이하, 본 발명의 방법에 대한 설명의 편의를 위하여, 대상 건물만을 검출하고 대상 건물의 변화를 구분하는 것으로 한정하여 설명한다.In such a case, the present invention may analyze and provide not only changes in buildings but also changes in road networks, rivers, and forests. Hereinafter, for convenience of description of the method of the present invention, only the target building is detected and the description is limited to distinguishing changes in the target building.
상술한 바와 같이, 단계 S110은 미리 학습된 학습 모델의 인공지능을 이용하여 조사 대상 지역의 제1 항공사진과 제2 항공사진에서 건물들 각각을 인식함으로써, 대상 건물을 검출할 수 있다.As described above, in step S110, the target building may be detected by recognizing each of the buildings in the first aerial photograph and the second aerial photograph of the survey target area using the artificial intelligence of the pre-trained learning model.
단계 S110에 의해 조사 대상 지역에 대하여, 제1 시점의 건물들과 제2 시점의 건물들이 검출되면, 동일 위치의 건물들 각각에 대하여 제1 시점의 건물들과 제2 시점의 건물들 각각에 대한 모양을 비교하고, 건물 모양 비교 결과에 기초하여 제1 시점에서 건물의 모양이 변화된 부분을 획득한다(S120, S130). 즉, 단계 S120은 제1 시점의 건물들에 대한 지붕 모양과 제2 시점의 건물들에 대한 지붕 모양을 비교함으로써, 지붕 모양이 차이 정보를 획득할 수 있으며, 단계 S130은 지붕 모양의 차이에 대한 정보를 통해 대상 건물들 각각에 대하여 모양이 변경되었는지 알 수 있다.When the buildings of the first time point and the buildings of the second time point are detected with respect to the area to be investigated by step S110, the buildings of the first time point and the buildings of the second time point for each of the buildings at the same location, respectively The shapes are compared, and a portion in which the shape of the building is changed at the first time point is acquired based on the result of the comparison of the building shape ( S120 , S130 ). That is, in step S120, by comparing the roof shape of the buildings at the first time with the roof shape of the buildings at the second time, information on the difference in the roof shape may be obtained, and in step S130, information on the difference in the roof shape is obtained. Through the information, it can be known whether the shape has changed for each of the target buildings.
여기서, 단계 S120은 미리 학습된 학습 모델의 인공지능을 이용하여 검출된 제1 시점의 건물들과 제2 시점의 건물들 각각에 대한 모양을 비교할 수 있는데, 구체적으로 제2 시점의 건물들의 모양에서 제1 시점의 건물들의 모양이 어떻게 변화되었는지 그 변화 여부를 비교할 수 있다.Here, in step S120, the shapes of the buildings of the first viewpoint and the buildings of the second viewpoint detected using the artificial intelligence of the pre-trained learning model may be compared. Specifically, in the shape of the buildings of the second viewpoint, It is possible to compare how the shapes of the buildings at the first time point have changed and whether the changes have been made.
여기서, 단계 S130은 단계 S120에서 비교한 결과를 통해 모양이 변화된 건물들 각각에 대하여 변화된 부분의 정보를 획득할 수 있다. 예를 들어, 단계 S130은 해당 위치의 건물에 대하여, 건물 모양이 일정 범위 내에서 변화된 경우에는 해당 건물의 모양이 변경되지 않은 것으로 판단할 수 있으며, 건물 모양이 일정 범위를 벗어날 정도로 변화된 경우에는 해당 건물이 변화된 것으로 판단하여 해당 건물의 변화된 정보 또는 해당 건물이 변화된 것으로 판단하는 정보를 획득할 수 있다. 예컨대, 단계 S130은 특정 위치의 건물에 대하여, 건물의 모양 또는 형상이 변경되었으며, 건물의 크기가 축소되거나 확장되었다는 정보 등을 획득할 수 있다.Here, in step S130, information on the changed part for each of the buildings whose shape is changed through the comparison result in step S120 may be acquired. For example, in step S130, if the shape of the building is changed within a certain range, it may be determined that the shape of the building has not changed, and if the shape of the building is changed to the extent that it is out of a certain range, the corresponding It is determined that the building has changed, so that information about the change in the building or information that determines that the building has changed may be acquired. For example, in step S130, information that the shape or shape of the building has been changed and the size of the building has been reduced or expanded with respect to a building at a specific location may be acquired.
단계 S130 또한 미리 학습된 학습 모델의 인공지능을 이용하여 수행될 수 있다.Step S130 may also be performed using the artificial intelligence of the pre-trained learning model.
단계 S130에 의해 모양의 변화가 발생한 건물에 대한 정보 예를 들어, 위치 정보, 위도와 경도 정보 등이 획득되면, 제1 시점에서 변화된 부분 즉, 과거에 비하여 현재 모양이 변경된 건물에 대한 정보를 제공한다(S140).When information about a building whose shape has changed by step S130, for example, location information, latitude and longitude information, etc. is acquired, information about the part that has changed at the first time point, that is, the building whose shape has changed compared to the past, is provided. do (S140).
여기서, 단계 S140은 조사 대상 지역의 대상 건물들 중 건물 모양이 변경된 건물에 대한 정보를 특정 파일 형태로 제공할 수도 있으며, 제공되는 정보는 모양이 변경된 대상 건물의 주소 정보, 건물 정보, 용도 정보, 변경 정보, 위도와 경도 정보 중 적어도 하나를 포함할 수 있다.Here, in step S140, information on a building whose shape has been changed among target buildings in the survey target area may be provided in the form of a specific file, and the provided information includes address information, building information, use information, It may include at least one of change information and latitude and longitude information.
나아가, 본 발명의 실시예에 따른 방법은 조사 대상 지역에 포함된 도로망, 농수로, 농로, 하천, 숲 등을 객체로 인식하여 해당 객체 대하여 현재 시점에 어떻게 변화되었는지 알 수도 있다. 물론, 각 객체에 대한 변경 여부 또한 상술한 과정을 통해 수행될 수 있으며, 객체 인식을 통해 동일 위치에서 객체가 변경되는 경우 객체가 어떻게 변경되었는지에 대한 정보를 제공할 수도 있다.Furthermore, the method according to an embodiment of the present invention may recognize a road network, agricultural waterway, farm road, river, forest, etc. included in the investigation target area as an object and know how the object has changed at the current time. Of course, whether each object is changed may also be performed through the above-described process, and when the object is changed at the same location through object recognition, information on how the object is changed may be provided.
더 나아가, 본 발명의 실시예에 따른 방법은 변경이 발생한 객체 예를 들어, 대상 건물에 대하여 추가적으로 대상 건물의 주변 거리 풍경을 분석할 수도 있으며, 주변 거리 풍경 분석을 통해 대상 건물의 용도를 추가적으로 파악할 수도 있다. 물론, 본 발명의 방법에서의 주변 거리 풍경은 주변 건물 정보, 도로 정보 등을 포함할 수 있으며, 주변 거리 풍경에 대한 정보는 상술한 정보로 한정되지 않고 본 발명의 방법에서 사용할 수 있는 모든 종류의 정보를 포함할 수 있다.Furthermore, the method according to an embodiment of the present invention may further analyze the surrounding streetscape of the target building with respect to the object, for example, the target building, in which the change has occurred, and additionally grasp the use of the target building through the surrounding streetscape analysis. may be Of course, the surrounding streetscape in the method of the present invention may include information on surrounding buildings, road information, and the like, and the information on the surrounding streetscape is not limited to the above-mentioned information, and all kinds of information that can be used in the method of the present invention may be used. may contain information.
이와 같이, 본 발명의 일 실시예에 따른 방법은 인공지능 객체인식 기반으로 항공사진을 분석하여 건물의 변화와 거리의 변화를 파악함으로써, 특정 건물의 변화 예를 들어, 건물의 지붕 크랙 또는 파손 등을 검출할 수 있고, 재해와 재난 전후의 건물 피해상황을 식별할 수 있다. 따라서, 본 발명은 보험사와 수리업체 등에 이러한 정보를 제공할 수 있다.As such, the method according to an embodiment of the present invention analyzes an aerial photograph based on artificial intelligence object recognition to identify a change in a building and a change in a distance, thereby changing a specific building, for example, a roof crack or damage of a building, etc. It is possible to detect and identify disasters and damage to buildings before and after disasters. Accordingly, the present invention can provide such information to insurance companies and repair companies.
또한, 본 발명의 일 실시예에 따른 방법은 거리의 변화를 파악할 수 있기 때문에 거리 풍경 등을 조사하기 위한 비용을 절감할 수 있고, 도로의 불법 점유 여부를 파악할 수 있으며, 공공용지의 불법 점유 여부를 파악할 수도 있다.In addition, since the method according to an embodiment of the present invention can detect a change in the street, it is possible to reduce the cost for investigating the street scene, etc., to determine whether the road is illegally occupied, and whether the public land is illegally occupied. can also figure out
이러한 본 발명은 도시 계획, 부동산 상권 분석, 건축법 위반 불법 건축물 식별 등의 다양한 서비스에 이용할 수 있으며, 본 발명을 통해 파악된 정보를 관공서와 특정 민간업체 등에 제공할 수 있다.The present invention can be used for a variety of services such as urban planning, real estate commercial area analysis, building law violation illegal building identification, and the like, and the information identified through the present invention can be provided to government offices and specific private companies.
도 4는 본 발명의 일 실시예에 따른 인공지능 객체인식 기반의 건물 변화 구분 장치에 대한 구성을 나타낸 것으로, 도 1 내지 도 3의 방법을 수행하는 장치에 대한 개념적인 구성을 나타낸 것이다.4 shows a configuration of an apparatus for classifying a building change based on artificial intelligence object recognition according to an embodiment of the present invention, and shows a conceptual configuration of an apparatus for performing the method of FIGS. 1 to 3 .
도 4를 참조하면, 본 발명의 일 실시예에 따른 장치(400)는 수신부(410), 검출부(420), 판단부(430), 획득부(440), 제공부(450)와 데이터베이스(DB)(460)를 포함한다.Referring to FIG. 4 , an
DB(460)는 본 발명을 수행하기 위한 데이터를 저장하는 수단으로, 항공사진, 지도 데이터, 인공지능 객체인식 기반 알고리즘, 학습 모델, 객체 변경에 따른 데이터 제공 알고리즘 등과 같은 다양한 데이터를 저장할 수 있으며, 이러한 데이터 뿐만 아니라 본 발명을 수행하는데 있어서 필요로 하는 모든 종류의 데이터를 저장할 수 있다.
여기서, DB(460)는 유무선 네트워크를 통해 저장된 데이터가 갱신될 수도 있으며, 데이터 갱신 주기는 본 발명의 기술을 제공하는 사업자 또는 개인에 의해 결정될 수 있다.Here, data stored in the
수신부(410)는 사용자 또는 관리자로부터 조사 대상 지역의 좌표의 위도와 경도를 입력받음으로써, 조사 대상 지역을 설정하고, 조사 대상 지역에 대한 제1 시점의 항공사진과 제2 시점의 항공사진을 수신한다.The receiving
여기서, 수신부(410)는 지도 데이터에서 조사 대상 지역을 사용자 또는 관리자의 입력에 의해 드래그함으로써, 조사 대상 지역을 설정할 수도 있다.Here, the receiving
검출부(420)는 조사 대상 지역의 제1 항공사진과 제2 항공사진을 인공지능 객체인식 기반으로 분석하여 제1 항공사진과 제2 항공사진에 포함된 건물들 예를 들어, 미리 설정된 대상 건물들을 검출한다.The
이 때, 검출부(420)는 항공사진의 위도와 경도에 따른 건물의 목적과 사용 용도 그리고 가정용인지 상업용인지 등의 정보가 저장된 데이터베이스로부터 검출된 건물에 대한 정보를 검색함으로써, 해당 건물이 본 발명에서 대상이 되는 건물인지 판단할 수 있으며, 이를 통해 원하는 대상 건물을 검출할 수 있다.At this time, the
상황에 따라, 검출부(420)는 검출된 대상 건물을 제외한 나머지 부분 예를 들어, 도로, 주차장, 하천 등을 포함하는 건물이 아닌 부분을 미리 설정된 세그멘테이션(segmentation) 기법을 이용하여 제거하며, 이러한 부분이 제거된 항공사진에서 대상 건물들을 검출할 수도 있다.Depending on the situation, the
상황에 따라, 검출부(420)는 세그멘테이션 기법을 이용하여 제1 항공사진과 제2 항공사진을 분석하고, 이를 통해 대상 건물 뿐만 아니라 도로망, 나무, 숲, 하천 등을 구분하여 검출할 수도 있다. Depending on the situation, the
판단부(430)는 검출부(420)에 의해 제1 시점의 대상 건물들과 제2 시점의 대상 건물들이 검출되면, 동일 위치의 건물들 각각에 대하여 제1 시점의 건물들과 제2 시점의 건물들 각각에 대한 모양을 비교한다.When the target buildings of the first viewpoint and the target buildings of the second viewpoint are detected by the
여기서, 판단부(430)는 미리 학습된 학습 모델의 인공지능을 이용하여 검출된 제1 시점의 건물들과 제2 시점의 건물들 각각에 대한 모양을 비교함으로써, 제2 시점의 건물들의 모양에서 제1 시점의 건물들의 모양이 어떻게 변화되었는지 그 변화 여부를 비교할 수 있다.Here, the
획득부(440)는 건물 모양 비교 결과에 기초하여 제1 시점에서 건물의 모양이 변화된 부분을 획득한다.The
제공부(450)는 모양의 변화가 발생한 건물에 대한 정보 예를 들어, 위치 정보, 위도와 경도 정보 등이 획득되면, 제1 시점에서 변화된 부분 즉, 과거에 비하여 현재 모양이 변경된 건물에 대한 정보를 제공한다.When information on the building in which the shape has changed, for example, location information, latitude and longitude information, etc. is obtained, the providing
여기서, 제공부(450)는 조사 대상 지역의 대상 건물들 중 건물 모양이 변경된 건물에 대한 정보를 특정 파일 형태로 제공할 수도 있으며, 제공되는 정보는 모양이 변경된 대상 건물의 주소 정보, 건물 정보, 용도 정보, 변경 정보, 위도와 경도 정보 중 적어도 하나를 포함할 수 있다.Here, the providing
비록, 도 4의 장치에서 그 설명이 생략되었더라도, 도 4를 구성하는 각 구성 수단은 도 1 내지 도 3의 방법에서 설명한 모든 내용을 포함할 수 있으며, 이는 이 기술 분야에 종사하는 당업자에게 있어서 자명하다.Although the description is omitted in the apparatus of FIG. 4, each component constituting the FIG. 4 may include all the contents described in the method of FIGS. 1 to 3, which is apparent to those skilled in the art. do.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The device described above may be implemented as a hardware component, a software component, and/or a combination of the hardware component and the software component. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable array (FPA), It may be implemented using one or more general purpose or special purpose computers, such as a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. The processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that can include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or device, to be interpreted by or to provide instructions or data to the processing device. may be embodied in The software may be distributed over networked computer systems, and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software. Examples of the computer readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with reference to the limited embodiments and drawings, various modifications and variations are possible by those skilled in the art from the above description. For example, the described techniques are performed in a different order than the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.
Claims (10)
대상 지역에 대하여, 현재 시점인 제1 시점의 제1 항공사진과 상기 제1 시점 이전의 제2 시점의 제2 항공사진을 분석하여 상기 제1 항공사진과 상기 제2 항공사진에 포함된 건물을 검출하는 단계;
동일 위치의 건물들 각각에 대하여, 상기 검출된 제1 항공사진의 건물과 제2 항공사진의 건물에 대한 모양을 비교하는 단계; 및
상기 동일 위치의 건물들 각각에 대하여, 건물 모양의 비교 결과에 기초하여 상기 제1 시점에서 변화된 부분을 획득하는 단계
를 포함하는 건물 변화 구분 방법.
In a building change classification method based on artificial intelligence object recognition,
For the target area, the building included in the first aerial photograph and the second aerial photograph is analyzed by analyzing the first aerial photograph of the first time point, which is the current time, and the second aerial photograph of the second time point before the first time point. detecting;
For each of the buildings in the same location, comparing the detected shape of the building of the first aerial photograph and the shape of the second aerial photograph; and
For each of the buildings in the same location, based on a comparison result of the shape of the building, obtaining the changed part at the first time point
A method of classifying building changes, including
상기 검출하는 단계는
상기 대상 지역에 대하여, 상기 제1 항공사진과 상기 제2 항공사진을 분석하여 상기 제1 항공사진과 상기 제2 항공사진에 포함된 도로망을 검출하고,
상기 비교하는 단계는
상기 제1 항공사진에서 검출된 도로망과 상기 제2 항공사진에서 검출된 도로망을 비교하며,
상기 획득하는 단계는
상기 도로망의 비교 결과에 기초하여 상기 제1 시점에서 도로망의 변화된 부분을 획득하는 것을 특징으로 하는 건물 변화 구분 방법.
According to claim 1,
The detecting step
For the target area, the first aerial photograph and the second aerial photograph are analyzed to detect a road network included in the first aerial photograph and the second aerial photograph,
The comparing step
Comparing the road network detected in the first aerial photograph with the road network detected in the second aerial photograph,
The obtaining step is
A building change classification method, characterized in that the changed part of the road network is acquired at the first time point based on the comparison result of the road network.
상기 검출하는 단계는
상기 대상 지역에 대하여, 상기 제1 항공사진과 상기 제2 항공사진을 미리 설정된 세그멘테이션(segmentation) 기법을 이용하여 분석함으로써, 상기 제1 항공사진과 상기 제2 항공사진에 포함된 건물, 도로, 나무와 숲을 구분하여 검출하는 것을 특징으로 하는 건물 변화 구분 방법.
According to claim 1,
The detecting step
For the target area, by analyzing the first aerial photograph and the second aerial photograph using a preset segmentation technique, buildings, roads, and trees included in the first aerial photograph and the second aerial photograph A building change classification method, characterized in that the forest and the forest are distinguished and detected.
상기 검출하는 단계는
상기 대상 지역의 상기 제1 항공사진과 상기 제2 항공사진을 분석하여 미리 설정된 대상 건물을 검출하고, 상기 검출된 대상 건물을 제외한 나머지 부분을 제거함으로써, 상기 제1 항공사진과 상기 제2 항공사진 각각에서 상기 대상 건물만을 검출하는 것을 특징으로 하는 건물 변화 구분 방법.
According to claim 1,
The detecting step
By analyzing the first aerial photograph and the second aerial photograph of the target area to detect a preset target building, and removing the remaining parts except for the detected target building, the first aerial photograph and the second aerial photograph Building change classification method, characterized in that detecting only the target building in each.
상기 제1 시점에서 변화된 부분이 획득되는 경우 상기 변화된 부분이 획득된 건물에 대한 정보를 제공하는 단계
를 더 포함하는 것을 특징으로 하는 건물 변화 구분 방법.
According to claim 1,
When the changed part is obtained at the first time point, providing information about the building in which the changed part is obtained
Building change classification method, characterized in that it further comprises.
대상 지역에 대하여, 현재 시점인 제1 시점의 제1 항공사진과 상기 제1 시점 이전의 제2 시점의 제2 항공사진을 분석하여 상기 제1 항공사진과 상기 제2 항공사진에 포함된 건물을 검출하는 검출부;
동일 위치의 건물들 각각에 대하여, 상기 검출된 제1 항공사진의 건물과 제2 항공사진의 건물에 대한 모양을 비교하는 판단부; 및
상기 동일 위치의 건물들 각각에 대하여, 건물 모양의 비교 결과에 기초하여 상기 제1 시점에서 변화된 부분을 획득하는 획득부
를 포함하는 건물 변화 구분 장치.
In the building change classification device based on artificial intelligence object recognition,
For the target area, the building included in the first aerial photograph and the second aerial photograph is analyzed by analyzing the first aerial photograph of the first time point, which is the current time, and the second aerial photograph of the second time point before the first time point. a detection unit to detect;
For each of the buildings of the same location, a determination unit for comparing the shape of the detected building of the first aerial photograph and the second aerial photograph; and
For each of the buildings in the same location, the acquisition unit acquires the part changed at the first time point based on the comparison result of the shape of the building
A building change classification device comprising a.
상기 검출부는
상기 대상 지역에 대하여, 상기 제1 항공사진과 상기 제2 항공사진을 분석하여 상기 제1 항공사진과 상기 제2 항공사진에 포함된 도로망을 검출하고,
상기 판단부는
상기 제1 항공사진에서 검출된 도로망과 상기 제2 항공사진에서 검출된 도로망을 비교하며,
상기 획득부는
상기 도로망의 비교 결과에 기초하여 상기 제1 시점에서 도로망의 변화된 부분을 획득하는 것을 특징으로 하는 건물 변화 구분 장치.
7. The method of claim 6,
the detection unit
For the target area, the first aerial photograph and the second aerial photograph are analyzed to detect a road network included in the first aerial photograph and the second aerial photograph,
the judging unit
Comparing the road network detected in the first aerial photograph with the road network detected in the second aerial photograph,
the acquisition unit
Building change classification apparatus, characterized in that the changed part of the road network is acquired at the first time point based on the comparison result of the road network.
상기 검출부는
상기 대상 지역에 대하여, 상기 제1 항공사진과 상기 제2 항공사진을 미리 설정된 세그멘테이션(segmentation) 기법을 이용하여 분석함으로써, 상기 제1 항공사진과 상기 제2 항공사진에 포함된 건물, 도로, 나무와 숲을 구분하여 검출하는 것을 특징으로 하는 건물 변화 구분 장치.
7. The method of claim 6,
the detection unit
For the target area, by analyzing the first aerial photograph and the second aerial photograph using a preset segmentation technique, buildings, roads, and trees included in the first aerial photograph and the second aerial photograph A building change classification device, characterized in that it distinguishes and detects the forest and the forest.
상기 검출부는
상기 대상 지역의 상기 제1 항공사진과 상기 제2 항공사진을 분석하여 미리 설정된 대상 건물을 검출하고, 상기 검출된 대상 건물을 제외한 나머지 부분을 제거함으로써, 상기 제1 항공사진과 상기 제2 항공사진 각각에서 상기 대상 건물만을 검출하는 것을 특징으로 하는 건물 변화 구분 장치.
7. The method of claim 6,
the detection unit
By analyzing the first aerial photograph and the second aerial photograph of the target area to detect a preset target building, and removing the remaining parts except for the detected target building, the first aerial photograph and the second aerial photograph Building change classification device, characterized in that detecting only the target building in each.
상기 제1 시점에서 변화된 부분이 획득되는 경우 상기 변화된 부분이 획득된 건물에 대한 위치 정보를 제공하는 제공부
를 더 포함하는 것을 특징으로 하는 건물 변화 구분 장치.7. The method of claim 6,
When the changed part is obtained at the first time point, a providing unit that provides location information about the building in which the changed part is obtained
Building change classification device, characterized in that it further comprises.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200049514A KR102484401B1 (en) | 2020-04-23 | 2020-04-23 | Method for classifying building change in a user-participating recognition platform using aritificial intelligence and apparatus therefore |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200049514A KR102484401B1 (en) | 2020-04-23 | 2020-04-23 | Method for classifying building change in a user-participating recognition platform using aritificial intelligence and apparatus therefore |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210131119A true KR20210131119A (en) | 2021-11-02 |
| KR102484401B1 KR102484401B1 (en) | 2023-01-04 |
Family
ID=78476597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200049514A KR102484401B1 (en) | 2020-04-23 | 2020-04-23 | Method for classifying building change in a user-participating recognition platform using aritificial intelligence and apparatus therefore |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102484401B1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007003244A (en) * | 2005-06-21 | 2007-01-11 | Pasuko:Kk | Method of determining house movement |
| JP2007248364A (en) * | 2006-03-17 | 2007-09-27 | Pasuko:Kk | Building shape change detection method and building shape change detection system |
| JP2010015448A (en) * | 2008-07-04 | 2010-01-21 | Hitachi Software Eng Co Ltd | Program and system for detecting change in shape of feature |
| JP2013101428A (en) * | 2011-11-07 | 2013-05-23 | Pasuko:Kk | Building contour extraction device, building contour extraction method, and building contour extraction program |
-
2020
- 2020-04-23 KR KR1020200049514A patent/KR102484401B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007003244A (en) * | 2005-06-21 | 2007-01-11 | Pasuko:Kk | Method of determining house movement |
| JP2007248364A (en) * | 2006-03-17 | 2007-09-27 | Pasuko:Kk | Building shape change detection method and building shape change detection system |
| JP2010015448A (en) * | 2008-07-04 | 2010-01-21 | Hitachi Software Eng Co Ltd | Program and system for detecting change in shape of feature |
| JP2013101428A (en) * | 2011-11-07 | 2013-05-23 | Pasuko:Kk | Building contour extraction device, building contour extraction method, and building contour extraction program |
Non-Patent Citations (1)
| Title |
|---|
| Virginia Ng 등, Scalable Feature Extraction with Aerial and Satellite Imagery, SCIPY.(2018.07.09.)* * |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102484401B1 (en) | 2023-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arietta et al. | City forensics: Using visual elements to predict non-visual city attributes | |
| US20130226667A1 (en) | Methods and apparatus to analyze markets based on aerial images | |
| US20140205154A1 (en) | System for mapping and identification of plants using digital image processing and route generation | |
| Bialas et al. | Object-based classification of earthquake damage from high-resolution optical imagery using machine learning | |
| WO2023287276A1 (en) | Geographic data processing methods and systems for detecting encroachment by objects into a geographic corridor | |
| US9158992B2 (en) | Acceleration of linear classifiers | |
| CN114708521A (en) | City functional area identification method and system based on street view image target relation perception network | |
| CN111649749A (en) | Navigation method based on BIM (building information modeling), electronic equipment and related product | |
| Hu et al. | Generalized image recognition algorithm for sign inventory | |
| KR102405937B1 (en) | Method for estimating building height in a user-participating recognition platform using aritificial intelligence and apparatus therefore | |
| GB2556328A (en) | Street asset mapping | |
| Wang et al. | Instance segmentation of soft‐story buildings from street‐view images with semiautomatic annotation | |
| CN110636248A (en) | Target tracking method and device | |
| Ahmed et al. | Choosing thresholds for density-based map construction algorithms | |
| KR102484401B1 (en) | Method for classifying building change in a user-participating recognition platform using aritificial intelligence and apparatus therefore | |
| KR102361663B1 (en) | Method for determining purpose of building in a user-participating recognition platform using aritificial intelligence and apparatus therefore | |
| KR101476172B1 (en) | Method for Automatic Change Detection Based on Areal Feature Matching in Different Network Datasets | |
| Hara et al. | An initial study of automatic curb ramp detection with crowdsourced verification using *** street view images | |
| KR102596037B1 (en) | Method for determining installation point of facilities in a user-participating recognition platform using aritificial intelligence and apparatus therefore | |
| Samadzadegan et al. | Automatic Road Crack Recognition Based on Deep Learning Networks from UAV Imagery | |
| Chandra et al. | A cognitive perspective on road network extraction from high resolution satellite images | |
| KR100953485B1 (en) | Parallel processing method and system for airbornelaser surveying data | |
| Ankayarkanni et al. | Object based segmentation techniques for classification of satellite image | |
| Nguyen et al. | Scaling deep learning-based analysis of high-resolution satellite imagery with distributed processing | |
| González-Collazo et al. | Enhancing urban pathfinding for pedestrians through fusion of mls and hmls data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) |